目錄

　　推薦模型的分類

　　條目2

　　條目3

　　條目4

　　條目5

　　條目6

　　條目7

　　條目8

　　條目9

　　最為流行的兩種方法是基於內容的過濾、協同過濾。

　　基於內容的過濾：

　　比如用戶A買了商品A，商品B與商品A相似（這個相似是基於商品內部的屬性，比如“非常好的協同過濾入門文章”和“推薦系統:協同過濾collaborative filtering”比較相似），那麽就能將商品B推薦給用戶。

　　協同過濾：

　　利用的是訓練數據是大量用戶對商品的評分，即（userID，productID，score）。稱得上最經典最常用的推薦算法。協同過濾又可細分為

　　基於用戶的推薦：

　　簡單解釋就是“誌趣相投”

　　以商品為維度，尋找相似用戶。就能給用戶A推送他的相似用戶買過的商品。

　　基於物品的推薦：

　　簡單解釋就是“物以類聚”

　　以用戶為維度，尋找相似商品。比如用戶A買了個商品A，那就能推薦與商品A相似的商品。

返回目錄

　　引例

　　現有訓練集如下，請訓練一個決策樹模型，對未來的西瓜的優劣做預測。

返回目錄

　　引例

　　現有訓練集如下，請訓練一個決策樹模型，對未來的西瓜的優劣做預測。

返回目錄

　　引例

　　現有訓練集如下，請訓練一個決策樹模型，對未來的西瓜的優劣做預測。

返回目錄

　　引例

　　現有訓練集如下，請訓練一個決策樹模型，對未來的西瓜的優劣做預測。

返回目錄

　　引例

　　現有訓練集如下，請訓練一個決策樹模型，對未來的西瓜的優劣做預測。

返回目錄

　　引例

　　現有訓練集如下，請訓練一個決策樹模型，對未來的西瓜的優劣做預測。

返回目錄

　　引例

　　現有訓練集如下，請訓練一個決策樹模型，對未來的西瓜的優劣做預測。

返回目錄

【Spark機器學習速成寶典】推薦引擎——協同過濾